应用对抗网络提升自动驾驶汽车的数据效率与可靠性
计算机视觉与模式识别
2022-02-17 v1 密码学与安全
机器学习
图像与视频处理
摘要
卷积神经网络（CNNs）在存在微小扰动时易误分类图像。随着 CNNs 在自动驾驶汽车中日益普及，确保这些算法鲁棒以防止因未能识别情境而发生碰撞至关重要。在对抗式自动驾驶框架中，生成对抗网络（GAN）被用于生成图像中使分类 CNN 误分类数据的真实扰动。该扰动数据随后被用于进一步训练分类 CNN。对抗式自动驾驶框架被应用于图像分类算法，以提升其在扰动图像上的分类准确率，并随后用于训练自动驾驶汽车在仿真中行驶。我们还构建了一辆小型自动驾驶汽车，使其绕赛道行驶并对标志进行分类。对抗式自动驾驶框架通过学习数据集产生扰动图像，从而免去在大量数据上训练的需要。实验表明，对抗式自动驾驶框架能识别 CNN 易受扰动影响的情境，并生成这些情境的新样本供 CNN 训练。对抗式自动驾驶框架生成的额外数据足以使 CNN 对环境泛化。因此，它是提升 CNN 抗扰动能力的可行工具。特别是在真实世界自动驾驶汽车中，应用对抗式自动驾驶框架使准确率提升了 18%，且仿真自动驾驶模型在 30 分钟行驶中未发生任何碰撞。
引用
@article{arxiv.2202.07815,
title = {Applying adversarial networks to increase the data efficiency and reliability of Self-Driving Cars},
author = {Aakash Kumar},
journal= {arXiv preprint arXiv:2202.07815},
year = {2022}
}